电商平台GMV计算与分析

 

GMV计算和分析是电商经营分析/运营面试过程中有一个常见的问题，下面的分析框架是从一个咨询顾问的角度，来进行思考和复盘的。

大概也可以体现同一个问题，商业分析师的层次，但也是仅从咨询分析师角度分析，由于非行业从业人员，如有分析细节不符合行业现状，请纠正。

问题：电商平台的GMV下降怎么办？（商品交易总额简称GMV）

假设电商平台GMV下降怎么办，我们可以分析这个问题其实要回答两个问题，第一是GMV如何计算，第二是GMV下降的提升策略是什么。另外为了便于计算分析，我们假设场景是某月电商平台GMV较上月下降。

下面可以从三个层次来分析这个问题怎么回答和分析思路（以下订单默认减去了拒收、退货、取消订单）。

答案1.0版：仅从成交订单最终结果分析

计算公式：

GMV=月订单数*月订单均价

提升策略：

1.0版的答案非常不完善，仅从最终的订单角度进行分析，从业务运营的角度来看是无法制定精细化的改善策略的。

答案2.0版：从C端和B端思考

计算公式：

C端：GMV=用户数量*访购率*客单价

B端：GMV=店铺数量*动销率*店均GMV

提升策略：

C端针对用户数量从新客户和老客户视角进行分析，针对访购转化，根据漏斗模型进行拆解，并且结合RFM模型进行分析。

B端针对店铺数据分析新增/留存/流失数据，针对销量和单价，从平台补贴/活动/积分/激励相关维度进行分析。

答案3.0版：明确最小计算和统计单位

首先我们必须明确该计算公式下的最小的计算单位，这里通过分析和思考判定最小单位是每笔订单，包括每笔订单的数量和每笔订单的价格，有同学可能会有疑问，为什么一定要确定最小计算单位，因为最小计算单位是进拆解分析，以及后续的精细化运营的重要思考维度。

然后，我们可以分析最小计算单位有什么特点，什么因素会影响最小计算单位，最小计算单位订单怎么被归类统计。

1）可以是店铺维度，统计计算某一个店铺的在某月的订单数量和每笔订单的单价，然后汇总计算所有店铺数据，这里我们可以看到店铺是计算分析的一级指标。

计算公式：

GMV=店铺1[（订单数量A*订单单价A）+（订单数量B*订单单价B）…]+店铺2[（订单数量C*订单单价C）+（订单数量D*订单单价D）…]+….店铺N[（订单数E*订单单价E）+（订单数量F*订单单价F）…]=单店GMV求和

提升策略：

这里我们可以看出，店铺对应的其实是商家运营，影响店铺的因素包括数量维度的指标和质量维度的指标。

我们的核心目的是提升现有商家数量，提升商家活跃数量，并制定商家分层策略，对不同质量的商家提供不同的运营帮助。如果发现现有商家数量不尽如人意，我们可以进一步分析新注册商家数量/注销商家数据，从商家增长角度进行分析，新注册商家考虑的维度主要是增长漏斗模型，注销商家可以借鉴NPS模型，重点分析商家注销的原因。

如果是商家质量相关是数据，我们也可以进一步分析，商家质量主要和商家特征相关，例如按性质分可以分为旗舰店商家/经销商商家等，按营收看可以分为头部商家/中部/尾部商家，按地区分类等。

这里我们可以看到商家分层运营的核心其实是按照商家画像，对商家进行分类精细化运营。（这里品类其实也是商家的重要分类维度，但由于各类综合主播和综合店铺的因素，所以将品类单独拆分为一个分析因素）

2）可以是用户维度，统计计算某一个用户在某月的订单数量和每笔订单的单价，然后汇总计算所有的用户数据

计算公式：

GMV=用户1（订单数量A*订单单价A）+（订单数量B*订单单价B）…]+用户2[（订单数量C*订单单价C）+（订单数量D*订单单价D）…]+….用户N[（订单数E*订单单价E）+（订单数量F*订单单价F）…]=用户GMV汇总

提升策略：

这里我们可以看出，用户对应的其实是用户运营，影响用户的分析方法和商家运营有类似之处，可以从消费者旅程和消费者画像角度分析思考，并将两个维度综合思考。

消费者旅程对应的分析方法应该是漏斗模型，即拉新（acquisition）、促活（activiation）、留存（retention）、变现（revenue）、传播（refer），分析模型中哪个环节是影响用户下单的重要节点，用户增长和流失的原因，并制定针对性的运营策略。消费者画像对应消费者的基本属性和消费行为属性，对不同消费者进行精准营销。

3）可以是商品维度，统计计算某一个商品在某月的订单数量和每笔订单的单价，然后汇总计算所有的商品数据

计算公式：

GMV=商品1（订单数量A*订单单价A）+（订单数量B*订单单价B）…]+商品2[（订单数量C*订单单价C）+（订单数量D*订单单价D）…]+….商品N[（订单数E*订单单价E）+（订单数量F*订单单价F）…]=商品GMV汇总

提升策略：

这里我们可以看出，商品对应的其实是商品运营，影响商品的分析方法和商家、用户有些区别，我们可以看出商品其实是一个被动的因素，而商家、用户是影响商品的主动因素。

另外，商品在数量级上也和商家、用户有较大的区别。所以，这里其实应该跳脱单个商品的分析概念，从品类/品牌运营的角度思考。

这里的分析思路可以从宏观视角分析，也可以从微观视角分析，宏观视角指的是该品类所属行业的视角，例如，服装品牌的市场份额较为分散，而笔记本电脑的市场份额较为集中，这里，我们可以试想，在一个市场份额集中的品类中，如果占据大量市场份额的品牌因为一些原因，出现大量销量下滑，那么就需要制定相关的策略，例如近期由于日本排放核污水，导致大量日系品牌销量大幅下降，而在某些垂直商品品类上，日系品牌占据了大量的市场份额。

从微观角度，品类的价格和消费频次，特定时间点和特色的使用场景，也是重要的思考方向，可以开展一些和品类相关的运营活动。

答案4.0版：综合考虑外部因素

2.0和3.0版的分析已经有一定的提升和完善了，也可以精准定位影响GMV的因素，并制定相应的运营策略了，但是该分析仅局限在平台内部的经营分析，未能综合考虑行业、竞品相关的因素。我们可以把2.0和3.0版的分析数据归纳为直接影响GMV的因素，4.0版本的分析在2.0和3.0版的基础上，加入行业和竞品因素的分析，这类因素属于间接因素。

由于2.0和3.0版的答案已经写过计算公式了，下面4.0版本不再赘述。

提升策略：综合商家/用户/品类运营数据，制定相应的运营策略。

商家：

• 数量维度（直接因素）：老商家NPS分析流失/留存原因+新商家增长漏斗分析新增因素
• 数量维度（间接因素）：竞品商家数量/行业市场商家规模sizing
• 质量维度（直接因素）：根据商家类型画像进行分析
• 质量维度（间接因素）：宏观环境/商家产业链（供货/货品价格/货品质量/替代品）

用户：

• 消费者旅程（直接因素）：漏斗模型，即拉新（acquisition）、促活（activiation）、留存（retention）、变现（revenue）、传播（refer）分析用户下单转换的影响因素，例如页面布局、引流渠道等
• 消费者旅程（间接因素）：外部流量/竞品/pc到移动端的技术变化
• 消费者画像（直接因素）：RFM模型等分析
• 消费者画像（间接因素）：宏观经济/外部消费者市场变化（可支配收入等）

商品：

• 宏观（直接因素）：商品/品牌市场份额集中度
• 宏观（间接因素）：供给端（技术壁垒、资金壁垒等因素）、需求端（消费端需求多样，众口难调，常见于餐饮、服装等品类）、产业链
• 微观（直接因素）：商品价格、商品消费场景、商品复购率等
• 微观（间接因素）：竞品（品类活动）、流量（消费场景渠道）、商品供给情况（商家侧：影响价格和缺货率）、用户购买因素（用户侧的购买行为分析）

商品分析较为特殊，如前文所述还是要从商家和用户侧，以及平台，行业多方视角分析，本来想把商品品类作为商家分析的上一级指标，但是考虑到大量直播电商/店铺不是并不是只垂直在某些品类，所以这里单列出来进行分析。